В статье представлены результаты классификации группы органических соединений, в том числе легковоспламеняющихся жидкостей, как пожаровзрывоопасных материалов с использованием разных методов. Решается задача классификации объектов по набору признаков – свойств в сравнении с искусственной классификацией по одному признаку. Выбраны статистические методы группировки и классификации растворителей по набору неэмпирических и эмпирических признаков и задаваемым классам опасности – деревья решений и линейная регрессия. В качестве базовой искусственной классификации используется классификация по температуре вспышки широкой группы органических соединений – близкая к стандартной. Показана эффективность и приемлемая погрешность метода деревьев решений при многомерной – с обучением на искусственной группировке, классификации соединений различных классов по группам опасности. Установлено, что применение линейной регрессии к рассматриваемому набору данных дает неудовлетворительные результаты классификации – большая доля ошибочных прогнозов (до 25 %). Показано влияние выбора групп признаков на результаты классификации и приемлемая точность прогноза для базовой группы неэмпирических признаков. Отражены возможности расширения номенклатуры признаков-свойств и наблюдаемых корреляций между ними для повышения качества и информативности классификации с использованием деревьев решений.
The article presents the results of the classification of a group organic compound, including flammable liquids, as fire- and explosion-hazardous materials using various methods. The article analyzes the important task of classifying objects based on a set of features and properties, in comparison with artificial classification based on a single feature. The article selects statistical methods for grouping and classifying solvents based on a set of non-empirical and empirical features and predefined hazard classes, such as decision trees and linear regression. The flash point classification of a wide group of organic compounds, which is close to the standard classification, is used as the basic artificial classification. The paper demonstrates the effectiveness and acceptable error of the decision tree method in multidimensional classification of compounds of various classes (including flammable liquids) into hazard groups, with training on artificial grouping. Applying linear regression to the data set under consideration results in unsatisfactory classification outcomes, with a high percentage of incorrect predictions (up to 25 %). The paper also highlights the impact of feature group selection on classification results and the acceptable accuracy of predictions for the base group of non-empirical features. The article reflects the possibilities of expanding the nomenclature of feature-properties and the observed correlations between them to improve the quality and informativeness of classification using decision trees.
1. Назин Г. М., Корсунский Б. Л. Определение термической стабильности взрывчатых веществ методом опорного ряда // Химическая физика. 2021. Т. 40. № 3. С. 53–59. URL: https://www.sciencejournals.ru/cgi/getPDF.pl?jid=khimfiz&year=2021&vol=40&iss=3&file=KhimFiz2103009Nazin.pdf (дата обращения: 19.01.2026). DOI: 10.31857/S0207401X21030092.
2. Назин Г. М., Корсунский Б. Л., Казаков А. И. Чувствительность взрывчатых веществ к удару и скорость реакции термического разложения // Химическая физика. 2023. Т. 42. № 3. С. 49–57. URL: https://www.sciencejournals.ru/cgi/getPDF.pl?jid=khimfiz&year=2023&vol=42&iss=3&file=KhimFiz2303012Nazin.pdf (дата обращения: 19.01.2026). DOI: 10.31857/S0207401X23030123.
3. Пожарная опасность веществ и материалов, применяемых в химической промышленности // Справочник под ред. Н. В. Рябова. М: Химия, 1970. 336 с. URL: https://djvu.online/file/HuFWpGWayqqih (дата обращения: 19.01.2026).
4. Попок В. Н. Применение кластерного анализа для классификации, сравнительного анализа, построения опорных рядов чувствительности и опасности групп пожаровзрывоопасных материалов // Современные наукоемкие технологии. 2025. № 12. С. 145–150. URL: https://top-technologies.ru/ru/article/view?id=40616 (дата обращения: 20.01.2026). DOI: https://doi.org/10.17513/snt.40616.
5. Попок В. Н. Некоторые результаты статистической группировки и классификации энергетических материалов по характеристикам термического разложения и теплового взрыва // Бутлеровские сообщения. 2019. Т. 57. № 2. С. 41–49. URL: https://butlerov.com/files/reports/2019/vol57/2/41/19-57-2-41.pdf (дата обращения: 19.01.2026). EDN: YZJGUX.
6. Possolo A., Koepke A., Newton D., Winchester M. R. Decision Tree for Key Comparisons // Journal of Research of National Institute of Standards and Technology (USA). 2021. Vol. 126. № 126007. P. 1–36. URL: https://nvlpubs.nist.gov/nistpubs/jres/126/jres.126.007.pdf (дата обращения: 19.01.2026). DOI: 10.6028/jres.126.007.
7. Niazi S. K., Mariam Z. Recent Advances in Machine-Learning-Based Chemoinformatics: A Comprehensive Review // Int. J. Mol. Sci. 2023. Vol. 24. 11488. URL: https://www.mdpi.com/1422-0067/24/14/11488 (дата обращения: 19.01.2026). DOI: 10.3390/ijms241411488.
8. Sarker I. H. Machine Learning: Algorithms, Real‑World Applications and Research Directions // SN Computer Science. 2021. Vol. 2. 160. https://link.springer.com/article/10.1007/s42979-021-00592-x#citeas (дата обращения: 19.01.2026). DOI: 10.1007/s42979-021-00592-x.
9. Mowbray M., Vallerio M., Perez-Galvan C., Zhang D. Industrial data science – a review of machine learning applications for chemical and process industries // Reaction Chemistry&Engeeniring. 2022. Vol. 7. P. 1471–1509. URL: https://www.researchgate.net/publication/360109573_Industrial_data_science_-_a_review_of_machine_learning_applications_for_chemical_and_process_industries (дата обращения: 19.01.2026). DOI: 10.1039/D1RE00541C.
10. Попок В. Н. Сокристаллизация компонентов смесевых энергетических материалов. Казань: Издательство ООО «Инновационно-издательский дом «Бутлеровское наследие», 2023. 324 с. [Электронный ресурс]. URL: https://koha.benran.ru/cgi-bin/koha/opac-detail.pl?biblionumber=2250073 (дата обращения: 19.01.2026). ISBN 978-5-6047662-3-1.
11. Bahzad T. J., Adnan M. A. Classification Based on Decision Tree Algorithm for Machine Learning // Journal of Applied Science and Technology Trends. 2021. Vol. 2. Is. 1. P. 20–28. URL: https://www.researchgate.net/publication/350386944_Classification_Based_on_Decision_Tree_Algorithm_for_Machine_Learning (дата обращения: 19.01.2026). DOI: 10.38094/jastt20165.
12. Цветков А. М. Разработка алгоритмов индуктивного вывода с использованием деревьев решений // Кибернетика и системный анализ. 1993. № 1. С. 174–178. URL: https://lib.iis.nsk.su/node/226616 (дата обращения: 19.01.2026).
13. Дмитриев А. А., Михеев Г. М., Каландаров Х. У. Применение алгоритма дерева решений для оценки результатов хроматографического анализа трансформаторного масла // Вестник Чувашского университета. 2023. № 4. С. 74–84. URL: https://cyberleninka.ru/article/n/primenenie-algoritma-dereva-resheniy-dlya-otsenki-rezultatov-hromatograficheskogo-analiza-transformatornogo-masla/viewer (дата обращения: 19.01.2026). DOI: 10.47026/1810-1909-2023-4-74-84.
14. Урядов В. Г., Курдюков А. И., Аристова Н. В., Офицеров Е. Н. Топологический подход к описанию термодинамических свойств органических соединений, содержащих гетероатомы // Химия и компьютерное моделирование. Бутлеровские сообщения. 2000. Т. 1. № 3. С. 67–74. URL: https://butlerov.com/files/reports/2000/vol1/3/67/67-74.pdf (дата обращения: 19.01.2026). EDN: MPONHU.
15. Попок В. Н. Корреляция характеристик теплового взрыва и термического разложения компонентов и композиций смесевых энергетических материалов // Бутлеровские сообщения. 2018. Т. 56. № 12. С. 71–78. URL: https://butlerov.com/files/reports/2018/vol56/12/71/18-56-12-71.pdf (дата обращения: 19.01.2026). EDN: YTAETZ.